k-center问题的算法研究综述

k-center问题是设施选址的基础问题,同样是NP难问题,在分配、紧急服务等领域也有着实际的应用。随着问题规模的扩大,原有的算法已不再适用,需要进一步优化或者改进。为了找到求解该问题的高效算法,对现有算法进行研究。对各类求解k-center问题的算法进行梳理,将求解算法划分为精确算法、启发式算法、元启发式算法、近似算法等,从算法原理、改进思路、性能和精度等方面进行对比综述。精确算法在求解小规模k-center问题时可在多项式时间内得到最优解,但是算法效率低,不适用于大规模问题;启发式算法可以在多项式时间内给出相对最优解,但是没有理论保证,无法衡量与最优解的关系;元启发式算法可对目前存在的智能优化算法进行改进,给出相对最优解,但是解的质量无法保证;利用近似算法得到的解具有近似比保证,有较大的理论研究价值,但是实用价值较弱。目前求解k-center问题的元启发式算法已取得一定的研究成果,但是在求解时间、求解规模、算法效率等方面仍待突破,这将是未来k-center问题的研究重点。

基于改进K-means算法的室内可见光通信O-OFDM系统信道均衡技术

在室内可见光通信中符号间干扰和噪声会严重影响系统性能,K均值(K-means)均衡方法可以抑制光无线信道的影响,但其复杂度较高,且在聚类边界处易出现误判。提出了改进聚类中心点的K-means(Improved Center K-means,IC-Kmeans)算法,通过随机生成足够长的训练序列,然后将训练序列每一簇的均值作为K-means聚类中心,避免了传统K-means反复迭代寻找聚类中心。进一步,提出了基于神经网络的IC-Kmeans(Neural Network Based IC-Kmeans,NNIC-Kmeans)算法,使用反向传播神经网络将接收端二维数据映射至三维空间,以增加不同簇之间混合数据的距离,提高了分类准确性。蒙特卡罗误码率仿真表明,IC-Kmeans均衡和传统K-means算法的误码率性能相当,但可以显著降低复杂度,特别是在信噪比较小时。同时,在室内多径信道模型下,与IC-Kmeans和传统Kmeans均衡相比,NNIC-Kmeans均衡的光正交频分复用系统误码率性能最好。

基于K-Means++算法和改进遗传算法的维保站维修调度方法的研究

传统的电梯维保工作模式是定期保养,即针对每台电梯而言,需要每半个月去保养一次,然而电梯设备的分布和保养进度的复杂性决定了人为排定的维保路线不能够最大限度地解决维保资源。为此提出基于K-Means++算法和改进遗传算法的维保站维修调度方法,首先使用分解法的思想将问题进行拆分,然后采用K均值聚类算法将维保任务分配到合适的维保站,建立总路程最短的维保调度模型,最后利用改进遗传算法进行求解,获取最优路线规划结果,对缩减维保工作时间,提升维保工作效率,从而提升电梯使用的安全性和可靠性有一定的意义。

GYK运行记录智能分析系统研究

针对目前GYK运行记录分析主要采用人工分析和统计方式,存在误看、漏看等人为差错,以及日渐增加的轨道车需要投入大量人力等问题,探索性地开展了GYK运行记录智能分析系统的研究。该系统由浏览器用户终端和服务平台组成,采用B/S架构,基于J2EE技术框架开发,综合运用K-means聚类算法、Apriori算法等,对GYK运行记录中的关键项点进行智能分析,并自动给出分析结论,可提高GYK运行记录数据分析的工作效率,及时发现违章行为,促进标准化作业,进而加强对轨道车的安全运用管理。该系统已通过国铁集团技术评审,能够满足GYK运行记录智能分析工作的需要。

考虑二阶邻居信息的K-shell重要节点识别算法研究

在真实网络中,找出一些关键的节点进行保护能够有效维持系统的稳定,同时对于复杂网络中的病毒控制与传播、交通网络的故障控制、社交网络中影响力识别等都有重要作用。在现有关键节点识别算法K-shell的基础上,提出了一种考虑二阶邻居信息的K-shell的关键节点识别算法,该算法综合考虑节点的全局与局部信息,同时引入节点的一阶邻居节点和二阶邻居节点的相关信息,计算节点在网络中的重要性。为了验证该算法的性能,以随机攻击和蓄意攻击两种攻击方式在网络中的节点进行仿真实验,实验结果表明,考虑二阶邻居信息的K-shell方法能够有效地检测节点的重要性,识别网络中的关键节点。

基于改进K-means聚类算法的分布式储能集群划分方法

随着规模化分布式电源及储能的接入,配电网的功率返送、节点过电压等问题愈加显著,对电网规划、运行监视和调度控制等造成一定影响,也不利于储能大范围发展。为此提出一种适用于规模化分布式储能的集群划分方法,基于功率节点电压灵敏度的电气距离模块度指标,对经典K-means算法进行改进,设计节点指数法、肘部法则优化初始聚类中心选择和集群数确定。以IEEE33系统算例进行验证,结果表明所提集群划分方法具有较强的电气耦合性、准确性和运算效率。

基于KNN的水电站水轮机监控系统研究

针对大型水轮机轴承故障诊断和预警准确率低,导致抽水蓄能电站存在状态监测与运维管理效果不佳的问题,提出一种大型水轮机轴承润滑油液在线监测系统。利用电涡流传感器对轴承油液数据采集,采用改进的K最近邻算法对轴承故障进行准确分类与诊断。结果表明,通过改进KNN算法,得到新故障与集合A中故障识别球的相似度最大值为0.4787,低于相似度匹配阀值0.6,说明改进KNN算法可实现新故障类型的准确识别,具备一定的自适应性和可扩展性;实际应用也进一步证明该算法可满足对水轮机轴承的状态监测、故障诊断和预警需求,实现水电站的准确监测和智能化运维管理。

光伏波动平抑下改进K-means的电池储能动态分组控制策略

针对电池储能系统(battery energy storage system,BESS)进行光伏波动平抑时寿命损耗高及荷电状态(state of charge,SOC)一致性差的问题,提出了光伏波动平抑下改进K-means的BESS动态分组控制策略。首先,采用最小最大调度方法获取光伏并网指令。其次,设计了改进侏儒猫鼬优化算法(improved dwarf mongoose optimizer,IDMO),并利用它对传统K-means聚类算法进行改进,加快了聚类速度。接着,制定了电池单元动态分组原则,并根据电池单元SOC利用改进K-means将其分为3个电池组。然后,设计了基于充放电函数的电池单元SOC一致性功率分配方法,并据此提出BESS双层功率分配策略,上层确定电池组充放电顺序及指令,下层计算电池单元充放电指令。对所提策略进行仿真验证,结果表明,所设计的IDMO具有更高的寻优精度及更快的寻优速度。所提BESS平抑光伏波动策略在有效平抑波动的同时,降低了BESS运行寿命损耗并提高了电池单元SOC的均衡性。

基于K-means聚类和BP神经网络的电梯能耗实时监测方法

针对现有方法在对电梯能耗进行监测时,存在监测精度低、用时长、监测结果不理想的问题,该文提出一种基于K-means聚类算法和BP神经网络相结合的电梯能耗实时监测方法 .在经过清洗的能耗数据中提取影响建筑能耗实时监测的主要因素特征值,利用相似系数法进行相似度计算,获取相似系数.对相似电梯能耗数据进行小波分解获取高低频序列,分别采用LSSVM-GSA检测方法和均方加权处理方法对低频和高频部分进行处理,将两个结果进行重构,得到最终的实时监测结果 .仿真实验结果表明:所提方法能够获取高精度、低耗时、高稳定性的监测结果 .

基于改进K-means数据聚类算法的网络入侵检测

随着入侵手段的不断更新和升级,传统入侵检测方法准确率下降、检测时间延长,无法满足网络防御要求。为此,提出一种经过改进K均值(K-means)数据聚类算法,以应对不断升级的网络入侵行为。先以防火墙日志为基础转换数值,然后基于粒子群算法求取最优初始聚类中心,实现K-means数据聚类算法的改进;最后以计算得出的特征值为输入项,实现对网络入侵行为的精准检测。结果表明:K-means算法改进后较改进前的戴维森堡丁指数更小,均低于0.6,达到了改进目的。改进K-means算法各样本的准确率均高于90%,相对更高,检测时间均低于10 s,相对更少,说明该方法能够以高效率完成更准确的网络入侵检测。

基于K-means聚类和特征空间增强的噪声标签深度学习算法

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样本集赋予伪标签。然而,错误的伪标签以及训练样本数量不足的问题仍然限制着噪声标签学习算法性能的提升。为解决上述问题,提出基于K-means聚类和特征空间增强的噪声标签深度学习算法。首先,该算法利用K-means聚类算法对干净样本集进行标签聚类,并根据噪声样本集与聚类中心的距离大小筛选出难以分类的噪声样本,以提高训练样本的质量;其次,使用mixup算法扩充干净样本集和噪声样本集,以增加训练样本的数量;最后,采用特征空间增强算法抑制mixup算法新生成的噪声样本,从而提高网络的分类准确率。并在CIFAR10、CIFAR100、MNIST和ANIMAL-10共4个数据集上试验验证了该算法的有效性。

基于改进K-means聚类的轨道交通基础设施分布式光伏发电典型场景生成及出力特性分析

受限于自然条件,光伏出力具有很强的随机性。为准确评估轨道交通基础设施分布式光伏发电的光伏出力特性,提出一种基于改进K-means聚类算法的轨道交通基础设施分布式光伏发电典型场景生成方法,并基于此进行光伏出力特性分析。首先,基于分布式光伏发电设施以及气象数据,利用PVsyst软件模拟光伏发电出力数据。然后,针对基本K-means聚类算法聚类参数和初始聚类中心盲目性高的问题,结合聚类有效性指标(Density based index,DBI)和层次聚类对其进行改进并利用改进K-means聚类算法生成光伏典型日出力场景。最后,基于华中地区某地轨道交通基础设施分布式光伏系统对所提方法的有效性和优越性进行验证,并通过定性和定量分析各典型场景的出力特性揭示轨道交通基础设施分布式光伏出力的规律和特点。

基于K-Means聚类与熵权TOPSIS法的岩石可爆性评价研究

露天矿山的爆破块度分布,直接影响到后续的采装、运输和破碎工作。为了控制石墨矿山不同区域爆破块度分布,基于K-means无监督聚类学习法与熵权TOPSIS评价法建立了一种新的岩石可爆性评价模型,选取岩石密度、动力能量耗散率、动态抗压强度、平均应变率、脆性指数作为评价指标,通过熵权计算,发现岩石破碎程度受脆性指数影响最大,受平均应变率影响最小。将此模型应用于实际石墨矿山,可爆性分为10个等级,统计不同分级下的岩石平均破碎粒径,发现可爆性分级等级越高平均粒径越大,有明显的分级特征,验证了模型的有效性。从爆破石墨矿石岩体类型看,岩石可爆性从易到难排序为:片岩、片麻岩、变粒岩、混合岩。结合石墨矿石微观观测结果分析可知:岩性从片岩向混合岩转变,岩石内部石墨晶质呈下降趋势,石墨矿石可爆性等级也随之越来越高。岩石密度、能量耗散率、动态抗压强度之间呈线性正相关,岩石可爆性与平均应变率、脆性指数存在负相关性。研究成果为矿山矿岩可爆性评价提供了一条新思路,对露天矿山爆破块度优化具有一定的理论和实践指导意义。

基于K-means算法的建筑群震害分析模型缩减方法

基于建筑群模型和弹塑性时程分析的精细化城市震害模拟技术能够为防震减灾及应急救援决策提供必要的依据和参考。为了减小城市建筑群震害模拟的计算量和计算时间,本文提出一种基于聚类算法的建筑群模型缩减方法。该方法采用K-means聚类算法,首先基于建筑结构属性向量对建筑群进行聚类,将相似的建筑结构聚为一组;然后从每组选取一个代表建筑组成建筑群缩减模型,通过减少需要分析的建筑结构数量来减少建筑群震害模拟的计算量。本文对传统的K-means算法进行改进,通过设定组内建筑结构的差异上限自动调整聚类分组数量;提出将具体地震动作用下结构地震损伤指数作为结构属性向量进行聚类,并通过算例对比分别采用两种缩减模型,即基于损伤指数聚类的缩减模型与基于结构力学模型参数聚类的缩减模型,计算结构损伤状态准确程度。对比结果表明:在聚类分组数量相同的情况下,基于损伤指数的分组明显优于基于模型参数的分组,采用模型缩减方法能够在保证足够计算精度前提下显著减少建筑群震害模拟计算量和计算时间。

基于融合K-近邻算法的电压互感器在线监测方法

由于受工作时长和环境因素的影响,电容式电压互感器(capacitor voltage transformer,CVT)在运行过程中误差稳定性不高,易出现电能计量失准现象。为此,该文提出了一种基于融合K-近邻算法(fusion K-nearest neighbor algorithm,FKNN)的电压互感器在线评估方法。该方法利用互感器的历史运行数据构建虚拟标准器,通过改进K-近邻算法对互感器实时状态进行监测,实现对异常情况的报警。同时,提出了一种加权移动时间窗的方法,自适应更新异常阈值,有效削弱电网不平衡波动的影响。实验结果表明,该文方法能够准确监测互感器的0.2级误差漂移。

结合精英初始化和K近邻的蛇优化算法

蛇优化算法(SO)是一种受自然界中蛇生存行为启发产生的元启发式优化算法。原始蛇优化算法存在收敛速度慢、易陷入局部最优的问题,因此提出了一种结合精英初始化和K近邻的改进蛇优化算法(elite initia-lization and K-nearest neighbors improved snake optimizer,EKISO)。首先,为了提高初始种群质量,在种群初始化阶段提出精英初始化的方法,根据种群精英个体产生优质初始种群个体;其次,通过振荡因子优化螺旋觅食策略扩大全局勘探阶段的搜索范围、提高算法的局部逃逸能力;最后,在局部开发阶段提出K近邻思想的位置更新方法,增强种群个体之间的信息交互能力,从而加快收敛速度、提高收敛精度。利用14个经典测试函数和4个CEC2017测试函数将该方法与其他7种优化算法进行对比,证明EKISO收敛速度更快、精度更高且不易陷入局部最优。为了进一步验证EKISO的实用性与可行性,将EKISO应用于压力容器设计问题中,通过实验对比分析可知,EKISO在处理实际优化问题上具有一定的优越性。

基于改进K-means聚类和遗传算法的混合算法求解异构车辆路径问题

由于目前单一车型配送存在资源浪费和效率低下等问题,选取确定数量的不同车型对各客户点进行配送服务往往可以得到更优的配送路径方案。针对这一点,描述了一种异构车辆路径问题,并建立了具有固定车辆数且考虑固定成本、可变成本以及时间窗惩罚成本的混合整数规划模型。同时,提出了一种基于改进K-means聚类和遗传算法的混合算法对模型进行求解。实验仿真先求解不考虑时间窗的问题初步证明混合算法的有效性,再在带时间窗的问题中求解不同规模算例的单一及异构车型结果,以证明异构车型配送更优。最后,对该混合算法的求解结果与其他混合算法的求解结果进行对比分析,证明了混合算法的优越性。研究结果表明:该混合算法求解的异构车型结果优于单一车型,并且比其他混合算法求解的异构车型结果更优,异构车辆配送使用的配送车辆数更少,总成本也更低,该混合算法具有更好的效率和性能。

一种基于粗糙熵的改进K-modes聚类算法

K-modes聚类算法被广泛应用于人工智能、数据挖掘等领域。传统的K-modes聚类算法有不错的聚类效果,但是存在迭代次数多、计算量大、容易受到冗余属性的干扰等问题,且仅采用简单的0-1匹配的方法来定义2个样本属性值之间的距离,没有充分考虑每个属性对聚类结果的影响。针对上述问题,该文将粗糙熵引入K-modes算法。首先利用粗糙集属性约简算法消除冗余属性,确定各属性的重要程度;然后利用粗糙熵确定每个属性的权重,从而定义新的类内距离。将该文所提算法与传统的K-modes聚类算法分别在4组公开数据集上进行对比试验。试验结果表明,该文所提算法聚类准确率比传统的K-modes聚类算法更高。

基于自适应动态粒子群优化的RAK-SVD方法

K均值奇异值分解(K-SVD)算法是一种行之有效的地震资料去噪方法,但由于其稀疏分解存在不确定性,需要引入正则项对其改进。为此,在常规粒子群算法的基础上,提出了一种自适应动态粒子群算法优化正则化参数的正则化近似K-SVD(RAK-SVD)去噪方法。首先通过修改字典原子和相关参数,解决了由于常规粒子群算法的惯性参数固定不变,导致后期搜索效率下降的问题;其次将正则化系数引入近似K-SVD(AK-SVD)方法,明显提升了去噪效果;最后利用自适应动态粒子群算法自动优选AK-SVD方法中的正则化参数,提高了稀疏分解的确定性,在对强反射信号进行去噪的同时加强了对弱信号的保护。模型测试和实际应用均表明,该方法有利于弱信号的提取和识别,不仅能够显著改善弱地震信号的去噪效果,还提升了计算效率。该方法具有一定的实际应用价值。

启发式k-means聚类算法的改进研究

启发式k-means聚类算法通过在k-means第一次迭代后查看附近的集群来预测每个数据点可能会被划分到的集群子集,有效地加快了算法的运行速度。但由于启发式算法存在随机选择初始聚类中心以及无法有效识别数据集中离群点的缺陷,导致聚类结果的误差平方和较大并且轮廓系数偏小。针对这一问题,提出了CHk-means算法,该算法引入仔细播种方法,克服了启发式k-means算法随机选择初始聚类中心带来的局部最优解问题;该算法引入局部异常因子LOF算法对离群点进行检测,降低了离群点数据对聚类结果的影响。在多个数据集上对3种算法进行对比试验,结果表明CHk-means算法可有效降低聚类结果的误差平方和,增强聚类的轮廓系数,使聚类质量得到明显改善。